一种基于深度学习的基站表示学习方法、系统及存储介质

    公开(公告)号:CN115169526B

    公开(公告)日:2023-08-01

    申请号:CN202210548996.4

    申请日:2022-05-20

    Abstract: 本发明提供一种基于深度学习的基站表示学习方法、系统及存储介质,所述方法包括:获取基站信息,所述基站信息包括基站的唯一标识码信息、基站静态特征数据以及基站相关动态轨迹数据;基于获取到的基站的经度、纬度以及基站相关动态轨迹数据确定基站之间的邻接矩阵,基于邻接矩阵构建第一基站关系图;基于基站静态特征数据以及基站相关动态轨迹数据构造第一特征向量集合;构建自编码器神经网络模型,将所述第一基站关系图及第一特征向量集合输入至编码器得到基站表示向量集合,将所述基站表示向量集合输入至解码器得到重构的第二基站关系图及第二特征向量集合。该方法可高效的实现基站的表示学习,从而在各类数据挖掘过程中更好的应用基站信息。

    一种基于深度学习的基站表示学习方法、系统及存储介质

    公开(公告)号:CN115169526A

    公开(公告)日:2022-10-11

    申请号:CN202210548996.4

    申请日:2022-05-20

    Abstract: 本发明提供一种基于深度学习的基站表示学习方法、系统及存储介质,所述方法包括:获取基站信息,所述基站信息包括基站的唯一标识码信息、基站静态特征数据以及基站相关动态轨迹数据;基于获取到的基站的经度、纬度以及基站相关动态轨迹数据确定基站之间的邻接矩阵,基于邻接矩阵构建第一基站关系图;基于基站静态特征数据以及基站相关动态轨迹数据构造第一特征向量集合;构建自编码器神经网络模型,将所述第一基站关系图及第一特征向量集合输入至编码器得到基站表示向量集合,将所述基站表示向量集合输入至解码器得到重构的第二基站关系图及第二特征向量集合。该方法可高效的实现基站的表示学习,从而在各类数据挖掘过程中更好的应用基站信息。

    一种深度轨迹聚类方法、系统及存储介质

    公开(公告)号:CN116186358A

    公开(公告)日:2023-05-30

    申请号:CN202310100602.3

    申请日:2023-02-07

    Abstract: 本发明提供一种深度轨迹聚类方法、系统及存储介质,包括:得到第一增广数据集合和第二增广数据集合;将第一增广数据集合输入到训练好的轨迹编码模型中得到轨迹编码向量,将第二增广数据集合输入到轨迹动量编码模型中得到轨迹动量编码向量;确定聚类中心、第一类别概率分布和第二类别概率分布,并计算第一目标分布和第二目标分布;计算KL散度对比学习损失;确定第一投影向量和第二投影向量,计算轨迹投影向量对比损失;确定第一轨迹预测向量和第二轨迹预测向量,计算轨迹类别对比损失;确定总模型损失,迭代更新轨迹编码模型和聚类中心,基于最后一次迭代过程中获得的轨迹编码向量及聚类中心对待聚类轨迹数据进行聚类。该方法轨迹数据聚类效果好。

    一种深度轨迹聚类方法、系统及存储介质

    公开(公告)号:CN116186358B

    公开(公告)日:2023-08-15

    申请号:CN202310100602.3

    申请日:2023-02-07

    Abstract: 本发明提供一种深度轨迹聚类方法、系统及存储介质,包括:得到第一增广数据集合和第二增广数据集合;将第一增广数据集合输入到训练好的轨迹编码模型中得到轨迹编码向量,将第二增广数据集合输入到轨迹动量编码模型中得到轨迹动量编码向量;确定聚类中心、第一类别概率分布和第二类别概率分布,并计算第一目标分布和第二目标分布;计算KL散度对比学习损失;确定第一投影向量和第二投影向量,计算轨迹投影向量对比损失;确定第一轨迹预测向量和第二轨迹预测向量,计算轨迹类别对比损失;确定总模型损失,迭代更新轨迹编码模型和聚类中心,基于最后一次迭代过程中获得的轨迹编码向量及聚类中心对待聚类轨迹数据进行聚类。该方法轨迹数据聚类效果好。

    一种基于扩散过程的移动信令轨迹数据生成方法及系统

    公开(公告)号:CN120018064A

    公开(公告)日:2025-05-16

    申请号:CN202510173248.6

    申请日:2025-02-17

    Abstract: 本发明提供一种基于扩散过程的移动信令轨迹数据生成方法及系统,该方法的步骤包括:获取预设时间段的原始的移动信令数据,原始的移动信令数据包括对应每个基站的移动信令数据,并对原始的移动信令数据进行预处理;基于每个基站的移动信令数据确定基站关系图,所述基站关系图中包括基站之间的切换关系,基于每个基站的切换关系和基站的特征数据构建每个基站的初始数据集;基于每个基站的初始数据集构建对应每个基站的表示向量,将各个基站的表示向量组合为输入向量输入到预训练的扩散模型中,所述扩散模型输出轨迹生成向量,所述轨迹生成向量由多个对应用户的轨迹生成子向量组成;基于所述轨迹生成向量确定预设时间段中用户的轨迹数据。

    城市建筑异常能耗检测与优化的方法、系统、介质及设备

    公开(公告)号:CN118013362A

    公开(公告)日:2024-05-10

    申请号:CN202410151646.3

    申请日:2024-02-02

    Abstract: 本发明涉及一种城市建筑异常能耗检测与优化的方法、系统、介质及设备,其包括:采用三个无监督模型基于统计的HBOS、基于机器学习的IForest和基于深度学习的EMD‑LSTM作为基学习器,将获取的待检测能耗数据集预处理后输入基学习器进行异常数据分类;将各个基学习器分类判定的处于离群和正常边缘的数据合并后,输入LLM进行标记,将LLM标记的数据与各基学习器输出的数据合并为最终的标记数据集;采用标记数据集训练XGBoost二元分类模型,将待检测的能耗数据集输入训练好的XGBoost二元分类模型,得到最终的能耗检测结果,输出异常能耗数据;同时,采用可解释人工智能分析方法对异常能耗数据进行细粒度分析和优化。本发明能有效提高异常能耗检测准确率。

    圆柱形叠堆晶片水声换能器

    公开(公告)号:CN101321411A

    公开(公告)日:2008-12-10

    申请号:CN200810114895.6

    申请日:2008-06-13

    Abstract: 本发明提供了一种水声换能器,包括压电陶瓷晶片堆及其上下两端的金属盖板,压电陶瓷晶片堆呈圆柱形,由多片圆形的压电陶瓷晶片叠堆而成,压电陶瓷晶片的极化方向沿厚度方向;每2~8片压电陶瓷晶片为一组,晶片堆包含1组或多组晶片,每组之间用橡胶片隔开;相邻的晶片之间,以及晶片与橡胶片之间夹有金属薄片,金属薄片上焊接电极引线;压电陶瓷晶片堆与上下金属盖板之间也用橡胶片隔开。本发明的圆柱形叠堆晶片换能器通过合理设计压电叠堆晶片的直径,既保持了传统叠堆晶片换能器发射声能密度大、灵敏度高的特点,而且还可以通过改变压电晶片堆的厚度或调整组数,来调整换能器的轴向指向性开角。

    一种硫化亚铜相变材料及其制备方法与应用

    公开(公告)号:CN118745330A

    公开(公告)日:2024-10-08

    申请号:CN202410815516.5

    申请日:2024-06-24

    Abstract: 本发明公开了一种硫化亚铜相变材料,涉及传感器材料技术领域,所述相变材料的化学表达式为Cu2‑xS,其中x范围在‑0.1~0.1区间,制备方法包括以下步骤:(1)将CuS粉末和Cu粉混合均匀后压制成型,备用;(2)将所述步骤(1)得到的成型材料烧制后降温至室温即得到硫化亚铜相变材料单晶。本发明利用硫化亚铜材料在400K附近发生一级结构相变,电阻明显跳变的特性,制备了一款用于温度监测的装置,同时也为温度预警装置材料的选择提供了一种新思路。

Patent Agency Ranking